Contraintes dynamiques sur l’activité des populations neuronales : mécanismes de calcul neuronal révélés par les interfaces cerveau-ordinateur

Contexte académique

La manière dont l’activité neuronale évolue dans le temps est au cœur de la compréhension des fonctions sensorielles, motrices et cognitives du cerveau. Depuis longtemps, les modèles de réseaux neuronaux suggèrent que les processus de calcul du cerveau impliquent des évolutions temporelles d’activité façonnées par les connexions du réseau. Cette perspective formule une prédiction clé : les évolutions temporelles de l’activité neuronale devraient être difficiles à violer. Cependant, cette prédiction n’a pas encore été directement validée dans des réseaux neuronaux biologiques réels. Pour répondre à cette question, les chercheurs ont utilisé la technologie des interfaces cerveau-ordinateur (Brain-Computer Interface, BCI) pour défier des singes afin qu’ils violent les trajectoires temporelles naturelles de l’activité neuronale dans leur cortex moteur, y compris en tentant de parcourir ces trajectoires en sens inverse. À travers cette expérience, l’équipe de recherche a cherché à valider si les évolutions temporelles de l’activité neuronale reflètent les mécanismes de calcul sous-jacents du réseau et à explorer si ces trajectoires peuvent être modifiées intentionnellement.

Source de l’article

Cet article a été co-rédigé par Emily R. Oby, Alan D. Degenhart, Erinn M. Grigsby et al., issus du département de bio-ingénierie de l’université de Pittsburgh, du département d’ingénierie électrique et informatique de l’université Carnegie Mellon, ainsi que d’autres institutions de recherche. Il a été publié en février 2025 dans la revue Nature Neuroscience, sous le titre « Dynamical constraints on neural population activity ».

Processus de recherche

Conception expérimentale et sujets d’étude

L’équipe de recherche a implanté un tableau multi-électrodes dans le cortex moteur de singes rhésus, enregistrant l’activité d’environ 90 unités neuronales. En utilisant la technologie BCI, les singes pouvaient contrôler le déplacement d’un curseur informatique via leur activité neuronale. L’objectif principal de l’étude était d’observer, à travers des tâches BCI, les trajectoires temporelles naturelles de l’activité des populations neuronales chez les singes et de tester si ces trajectoires pouvaient être violées en modifiant les retours visuels ou la conception des tâches.

L’étude a été divisée en plusieurs étapes principales :

1. Identification des trajectoires neuronales naturelles
   Premièrement, les chercheurs ont enregistré l’activité neuronale des singes lors de tâches BCI. À l’aide d’une analyse factorielle de processus gaussiens (Gaussian Process Factor Analysis, GPFA), ils ont converti l’activité neuronale en états latents à 10 dimensions, puis les ont projetés en positions de curseur en 2D. Cette projection permettait aux singes de visualiser intuitivement le déroulement de leur activité neuronale.

2. Séparation et projection des trajectoires neuronales
   Les chercheurs ont conçu deux types de mappages BCI : MoveInt (basé sur l’intention de mouvement) et SepMax (maximisant la séparation). Le mappage MoveInt permettait aux singes de contrôler le curseur de manière flexible, tandis que le mappage SepMax mettait en avant la structure temporelle des trajectoires neuronales dans certaines dimensions. À travers ces deux projections, les chercheurs ont pu observer les variations de l’activité neuronale des singes sous différentes conditions de retour visuel.

3. Défi de l’inversion temporelle
   Pour tester si les singes pouvaient violer les trajectoires temporelles naturelles, les chercheurs ont conçu une série de tâches demandant aux singes d’essayer de générer des motifs d’activité neuronale inversés dans le temps. Par exemple, dans la « tâche intermédiaire », les singes devaient déplacer le curseur d’une cible à une autre, mais le chemin imposé les forçait à violer les trajectoires temporelles naturelles.

4. Tâche de chemin guidé
   Dans la tâche finale de « chemin guidé », les chercheurs ont limité les trajectoires du curseur avec des frontières visuelles, défiant davantage les singes de générer des trajectoires neuronales inversées dans le temps. En réduisant progressivement la taille des frontières, les chercheurs ont testé si les singes pouvaient modifier leurs trajectoires neuronales sous forte incitation.

Résultats principaux

1. Stabilité des trajectoires neuronales naturelles
   L’étude a révélé que même sous contrôle BCI, l’activité des populations neuronales dans le cortex moteur présentait une structure temporelle riche, similaire à celle observée lors des mouvements des bras. Ces structures temporelles montraient une grande cohérence entre différentes conditions de retour visuel, indiquant que les trajectoires temporelles de l’activité neuronale possèdent une stabilité intrinsèque.

2. Échec de l’inversion temporelle
   Lorsque les singes étaient invités à générer des trajectoires neuronales inversées dans le temps, ils ne pouvaient pas violer directement les trajectoires naturelles. Dans la tâche intermédiaire, les singes ne pouvaient pas se rendre directement à la cible, mais devaient d’abord suivre la trajectoire naturelle, puis « rebondir » vers la cible. Cela montre que les trajectoires temporelles de l’activité neuronale sont soumises à des contraintes rigides difficiles à violer.

3. Limitations de la tâche de chemin guidé
   Dans la tâche de chemin guidé, bien que les singes soient fortement incités à changer leurs trajectoires neuronales, ils ne pouvaient toujours pas générer de trajectoires inversées dans le temps. Au contraire, les trajectoires du curseur continuaient à suivre les processus temporels naturels, même si cela signifiait échouer à la tâche. Ce résultat soutient encore davantage la rigidité des trajectoires temporelles de l’activité neuronale.

Conclusion et signification

L’étude montre que les trajectoires temporelles de l’activité des populations neuronales reflètent les mécanismes de calcul sous-jacents du réseau, et que ces trajectoires possèdent une grande stabilité dans les réseaux neuronaux biologiques. Même en incitant fortement les singes à changer leurs trajectoires neuronales via la technologie BCI, ils ne pouvaient pas facilement violer ces processus temporels. Cette découverte fournit une preuve expérimentale directe des mécanismes de calcul des modèles de réseaux neuronaux et révèle l’importance des trajectoires temporelles de l’activité neuronale dans les fonctions cérébrales.

Points forts de la recherche

1. Application innovante des interfaces cerveau-ordinateur
   L’équipe de recherche a utilisé la technologie BCI pour tester directement la flexibilité des trajectoires temporelles de l’activité neuronale, offrant ainsi un nouveau paradigme expérimental pour comprendre les mécanismes de calcul neuronal.

2. Rigidité des trajectoires temporelles
   L’étude a révélé que les trajectoires temporelles de l’activité neuronale possèdent une stabilité élevée et sont difficiles à modifier par des incitations externes. Cette découverte apporte un soutien expérimental important aux mécanismes de calcul des modèles de réseaux neuronaux.

3. Contraintes intrinsèques de la dynamique neuronale
   La recherche a révélé que la structure temporelle de l’activité des populations neuronales est une propriété intrinsèque des connexions du réseau, plutôt qu’un simple reflet des commandes motrices ou des retours sensoriels. Cette découverte approfondit notre compréhension des mécanismes de la dynamique neuronale.

Résumé

Cette étude, grâce à la technologie des interfaces cerveau-ordinateur, a révélé les contraintes intrinsèques des trajectoires temporelles de l’activité des populations neuronales et a fourni des preuves expérimentales des mécanismes de calcul des modèles de réseaux neuronaux. Elle non seulement enrichit notre compréhension des fonctions cérébrales, mais fournit également une base théorique importante pour le développement futur de technologies plus efficaces d’interfaces cerveau-ordinateur.